大家對 AI 的態(tài)度有點從一腔熱血向拔劍四顧心茫然轉(zhuǎn)換的意思。

比如朱嘯虎在談到大模型的時候，這么說：

5 年以后根本就沒有單獨大模型公司，只有應(yīng)用公司或者云服務(wù)公司。云服務(wù)公司免費提供大模型這樣的接口。它是基礎(chǔ)服務(wù)，基礎(chǔ)服務(wù)一定會和云在一起。

有的文章則認(rèn)為國內(nèi)存在著 ToB 和 ToC 路線的爭論，也分別從兩方面做了分析和計算。

實際上大廠還是獨立公司，ToB 還是 ToC 這種思考模式是危險的。在上個時代的模式里做思考，最終得到的可能都是死路。和微軟非把 Windows 整成手機(jī)操作系統(tǒng)，然后被安卓打個滿地找牙差不多。

AI 的問題可以簡化下，擺在眼前的是明顯的三重劫數(shù)，過去才能成仙，過不去可能也死不了，但就得熬著了。

第一重劫：智能水平能不能再跳一次？

看各種測試結(jié)果，GPT4 不是已經(jīng)可用了么？AlphaGo 不是很早以前就碾壓人類了么？為什么智能還是不夠？

這問題只能回到喬布斯的視角才能回答：從用戶回看技術(shù)，而不是從技術(shù)看到底可能怎么用。

這種用戶視角還可以簡化：取代人和和過去的程序是 AI 最直觀的價值，每個用戶也都需要。

取代人的第一步要考慮能覆蓋那些角色。

現(xiàn)在的主要進(jìn)展是讓優(yōu)秀的人更優(yōu)秀，取代其它的人。（Copilot）

再進(jìn)一步則是完整的取代某個角色，AI 獨立運轉(zhuǎn)，不需要人的介入。（Autopilot）

以公司為例大概這樣：

取代程序的第一步則是以人的角色為中心像 RPA 那樣調(diào)度別的軟件產(chǎn)品。

第二步則是折疊掉現(xiàn)在產(chǎn)品中冗余的 UI、賬戶體系、權(quán)限系統(tǒng)、統(tǒng)計功能等等。如果覺得這個不好理解，可以想象下 CRM、HRM 等系統(tǒng)中有多少部分其實重復(fù)的，是因為不同供應(yīng)商，不同角色而導(dǎo)致的人為分割。要知道這些分割只是因為分工是這樣，是向現(xiàn)實的折中，但其實是降低效率的。

從上面兩個落地角度看，按照不同的角色進(jìn)行評估，就會發(fā)現(xiàn)現(xiàn)在的模型的智能是不足的?！秷D靈測試 2.0》這篇文章中提到了一個簡單的測試案例。類似的思路可以拓展到 N 個角色和不同的模型上。

這種情況就需要一次類似 CNN 到 GPT 的跳越，不是 chatGPT 到 Sora 的那種進(jìn)展，而是讓現(xiàn)在的智能再有一次躍遷。

這點上和朱嘯虎提到的核心看 GPT5 什么時候出來其實是一個意思。

這個部分能上臺階，那模型自己訂閱收入會增加，潛在的影響空間也會變大。即使躍上一個臺階，如果沒有新型應(yīng)用的崛起，參照過去所想象的 ToB，ToC 的商業(yè)模式就都還是死路。

參見：

琢磨事 AI 碰撞局第二期小記

AI 的進(jìn)展不是太快，而是太慢

AI 的進(jìn)化：從間斷平衡到終極復(fù)制

第二重劫：能不能出 AI Native 的應(yīng)用？

AI 如果不被用來做過去沒做過的應(yīng)用，而是糾結(jié)在過去的模式里面，那是沒出路的。

基于模型提供 API 做調(diào)用，就不是 SaaS/PaaS 了么？

上一波 AI 做解決方案收支不平衡，換成大模型模型收支就平衡了么？

SaaS 不成立和解決方案支撐不了 AI 公司商業(yè)閉環(huán)是因為技術(shù)不好么？

如果不是，單純的換一組技術(shù)名詞來老的模式，為什么突然就可以了。如果不可以，那 ToB 就不行。

從 C 端角度看，超級應(yīng)用把入口卡的嚴(yán)絲合縫。你基于 AI 新做個助手，解決什么新問題，單純聚合別人的內(nèi)容，那豆包還能聚合抖音，你憑什么聚合？原有的這些 APP 從 IM 到電商到支付，那個是 AI 能顛覆的？

所以 ToC 沒戲。

這導(dǎo)致了分裂，大家各自選邊，但其實選也白選。怎么看也是死路一條。

實際上不是這樣，核心和視角有關(guān)。把坦克看成能移動的大炮，是看不到閃電戰(zhàn)的。

跳到歷史上做類比，就是不管多少朝代、換多少個宰相，在錢穆先生《歷代政治得失》的框子里，該發(fā)明不了蒸汽機(jī)還是發(fā)明不了（孔子到清末差不多 2400 年，黑暗中世紀(jì)出來到蒸汽機(jī)發(fā)明大概不到 300 年）。

AI Native 應(yīng)用 ( 智能原生應(yīng)用 ) 第一依賴固然是需要模型本身往上跳越一下，更需要一種新的思維方式、新的方法論、新的計量方式。覺得像做網(wǎng)頁一樣就能整出智能原生應(yīng)用的思路下，估計就和幾千年也倒騰不出蒸汽機(jī)差不多。

思維本身限定視野，限定視野就會導(dǎo)致視而不見。

我們還是回到最容易理解的替代人和軟件這個最容易理解的視角思考智能原生應(yīng)用，看下這個視角下的新生產(chǎn)力、生產(chǎn)關(guān)系工具。

這種智能原生應(yīng)用有沒有 APP 等不關(guān)鍵，關(guān)鍵的是能否在復(fù)雜環(huán)境中完整覆蓋一個角色。

角色的邊界和 AI 的智能是能互換的。互換是指如果智能不夠，那角色的邊界就小一點，也能對付用。

從這個角度能看到什么呢？

比如 ToB 端，在公司里面是能不能完整替代招聘、運維、財務(wù)、市場等崗位？能不能讓整個公司進(jìn)入自動駕駛狀態(tài)？在行業(yè)里面是通用模型 +Agent/ 垂直模型 +Agent 能不能頂替律師 / 醫(yī)生 / 制藥科學(xué)家等等？

比如 ToC 端，能不能扮演媽媽 / 教師 / 戀人 / 有故事線的 NPC（西部世界）？

每一個應(yīng)用做到深處都是過去不能做的，都是藍(lán)海，現(xiàn)在基本都沒有。

這時候商業(yè)模式中計量方式和過去是不一樣的，比如扮演戀人的產(chǎn)品，不適合用互聯(lián)網(wǎng)的 DAU，ARPU 值那類算轉(zhuǎn)化率的后端變現(xiàn)思路。更適合是類比角色的雇傭費用，雇傭費用應(yīng)該按照角色的服務(wù)價值來，所以之前文章總說這地兒應(yīng)該換一套計量方法，比如 Value Per Role。

這類角色價值內(nèi)涵會和對應(yīng)角色的智能密度有關(guān)系。從服務(wù)價值角度看老師顯然高于單純的像媽媽一樣講故事。

這些角色一成立，原來的各種功能就會向這些角色中歸并，他們因為挖的深，所以有更大的粘度，而歸并本身則會增加這種角色的價值和使用粘度。

AI 救不了 SaaS

為什么說互聯(lián)網(wǎng)方法論在 AI 上差不多全是錯的

AI 大模型沒有商業(yè)模式？

科技界 " 賣拐 "

第三重劫：能不能做出通用機(jī)器人來？

遠(yuǎn)不是能做出上面說的智能原生應(yīng)用就可以做出具身機(jī)器人。

擴(kuò)展到具體硬件和機(jī)械的通用多模態(tài)機(jī)器人其難度恐怕比純粹數(shù)字或者硬件的智能原生應(yīng)用要高十倍不止。

雖然好像有了智能原生應(yīng)用只是套個殼就變成了具身機(jī)器人，但實際肯定不是。

最明顯的當(dāng)然是身體（硬件、機(jī)械等）在真實環(huán)境下面對的挑戰(zhàn)。不說別的，你戴耳機(jī)在外面跑步，你說話對面人類都不一定能聽清楚。人聽不清楚可以猜，機(jī)器人怎么面對真實環(huán)境的干擾 ，并且在干擾的前提下保證感知精準(zhǔn)。否則不沒法用么？

其次才是算法。

這種機(jī)器人面對的環(huán)境比智能原生應(yīng)用復(fù)雜，是真正的整個物理世界 + 數(shù)字世界，但它背后的潛在算力低于云上大模型的。如果 Scaling Law 是對的。那這好像不可能，至少需要一套新思路和新模型。

這個劫數(shù)一過，AI 就真成為人類最后的發(fā)明了。

科技哲學(xué)家的各種幻想，只有到這步才能真的成為現(xiàn)實。

這種機(jī)器人一出，人的體力徹底失去經(jīng)濟(jì)價值。

之前北大采訪活動的時候，接著侯宏老師說的不應(yīng)該把人和 AI 看成一個零和博弈，我表達(dá)了另外一種腦洞型觀點：

如果說經(jīng)濟(jì)是要持續(xù)每年提高 5%，那大概有辦法的，但也就到頭了。但如果經(jīng)濟(jì)總量要短期提高 100 倍，那現(xiàn)有方法及失靈了。問題就在于百分之五的增速可能所有資源耗盡也造不出戴森球。這時候就需要這種強(qiáng)人工智能。

通用機(jī)器人真做出來的話，我們整個經(jīng)濟(jì)體系可能會發(fā)生本質(zhì)性變化。比如現(xiàn)在是批量生產(chǎn)，然后零售。而如果有通用機(jī)器人，那差不多所有行業(yè)都可以，按需生產(chǎn)。用戶參與產(chǎn)品設(shè)計，然后生產(chǎn)制造，然后發(fā)貨。

小結(jié)

這些劫數(shù)每邁過去一個，就會出現(xiàn)一個新的經(jīng)濟(jì)空間，如果拿 OpenAI 的每年 36 億美元做基數(shù)，那邁過去一個可能就擴(kuò) 10 倍；邁不過倒也不是沒事干，畢竟基于 GPT-4 類似的智能很多事可以嘗試了，但就得縮減角色的邊界。這時候就得不停的在一個水平震蕩，很痛苦的。

在這么個混沌的時候其實沒有什么更好辦法來斬開混沌，只能多看案例，同步思考底層邏輯，最后把把底層邏輯思考所得遷移到自己的場景。這就是為什么AI 碰撞局的口號是：現(xiàn)場問題、底層邏輯，案例和底層邏輯是可以通過其它方式縮短的，最后一步則只能靠自己。

來源：鈦媒體